Estimación de la biomasa aérea de Amorphophallus Konjac mediante la integración de información espectral y de textura a partir de imágenes RGB basadas en vehículos aéreos no tripulados
Autores: Yang, Ziyi; Qi, Hongjuan; Hu, Kunrong; Kou, Weili; Xu, Weiheng; Wang, Huan; Lu, Ning
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Estimación de la biomasa aérea de Amorphophallus Konjac mediante la integración de información espectral y de textura a partir de imágenes RGB basadas en vehículos aéreos no tripulados
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Estimación
Biomasa aérea
Konjac
UAV
Imágenes RGB
Aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La estimación de la Biomasa Aérea (AGB) en Amorphophallus konjac (Konjac) es esencial para la gestión de campo y la predicción de rendimiento. Si bien investigaciones anteriores han demostrado la eficacia de las imágenes RGB de Vehículos Aéreos No Tripulados (UAV) en la estimación de AGB para cultivos de monocultivo, la aplicabilidad de estos métodos para la estimación de AGB en Konjac sigue siendo incierta debido a sus rasgos morfológicos distintos y las prácticas de intersiembra prevalentes con maíz. Además, los Índices de Vegetación (VIs) y las Características de Textura (TFs) obtenidos de las imágenes RGB basadas en UAV exhiben una redundancia significativa, lo que genera preocupaciones sobre si las variables óptimas seleccionadas pueden mantener la precisión de la estimación. Por lo tanto, este estudio evaluó la efectividad de la Selección de Variables Usando Bosques Aleatorios (VSURF) y el Análisis de Componentes Principales (PCA) en la selección de variables y comparó el rendimiento de la Regresión Lineal Múltiple por Pasos (SMLR) con cuatro técnicas de regresión de Aprendizaje Automático (ML): Regresión de Bosques Aleatorios (RFR), Regresión de Aumento de Gradiente Extremo (XGBR), Regresión de Mínimos Cuadrados Parciales (PLSR) y Regresión de Máquinas de Soporte Vectorial (SVR), así como Aprendizaje Profundo (DL), en la estimación de la AGB de Konjac basada en las características seleccionadas. Los resultados indican que la integración (PCA_(PCA_VIs+PCA_TFs)) de los VIs basados en PCA y los TFs basados en PCA utilizando PCA logró la mejor precisión de predicción (R2 = 0.96, RMSE = 0.08 t/hm2, MAE = 0.06 t/hm2) con SVR. En contraste, el modelo de DL derivado de AlexNet, combinado con imágenes RGB, produjo una precisión predictiva moderada (R2 = 0.72, RMSE = 0.21 t/hm2, MAE = 0.17 t/hm2) en comparación con el modelo óptimo de ML. Nuestros hallazgos sugieren que las técnicas de regresión de ML, combinadas con enfoques de selección de variables apropiados, superaron a las técnicas de DL en la estimación de la AGB de Konjac. Este estudio no solo proporciona nuevas perspectivas sobre la estimación de AGB en Konjac, sino que también ofrece una valiosa guía para estimar AGB en otros cultivos, avanzando así en la aplicación de la tecnología UAV en la estimación de biomasa de cultivos.
Descripción
La estimación de la Biomasa Aérea (AGB) en Amorphophallus konjac (Konjac) es esencial para la gestión de campo y la predicción de rendimiento. Si bien investigaciones anteriores han demostrado la eficacia de las imágenes RGB de Vehículos Aéreos No Tripulados (UAV) en la estimación de AGB para cultivos de monocultivo, la aplicabilidad de estos métodos para la estimación de AGB en Konjac sigue siendo incierta debido a sus rasgos morfológicos distintos y las prácticas de intersiembra prevalentes con maíz. Además, los Índices de Vegetación (VIs) y las Características de Textura (TFs) obtenidos de las imágenes RGB basadas en UAV exhiben una redundancia significativa, lo que genera preocupaciones sobre si las variables óptimas seleccionadas pueden mantener la precisión de la estimación. Por lo tanto, este estudio evaluó la efectividad de la Selección de Variables Usando Bosques Aleatorios (VSURF) y el Análisis de Componentes Principales (PCA) en la selección de variables y comparó el rendimiento de la Regresión Lineal Múltiple por Pasos (SMLR) con cuatro técnicas de regresión de Aprendizaje Automático (ML): Regresión de Bosques Aleatorios (RFR), Regresión de Aumento de Gradiente Extremo (XGBR), Regresión de Mínimos Cuadrados Parciales (PLSR) y Regresión de Máquinas de Soporte Vectorial (SVR), así como Aprendizaje Profundo (DL), en la estimación de la AGB de Konjac basada en las características seleccionadas. Los resultados indican que la integración (PCA_(PCA_VIs+PCA_TFs)) de los VIs basados en PCA y los TFs basados en PCA utilizando PCA logró la mejor precisión de predicción (R2 = 0.96, RMSE = 0.08 t/hm2, MAE = 0.06 t/hm2) con SVR. En contraste, el modelo de DL derivado de AlexNet, combinado con imágenes RGB, produjo una precisión predictiva moderada (R2 = 0.72, RMSE = 0.21 t/hm2, MAE = 0.17 t/hm2) en comparación con el modelo óptimo de ML. Nuestros hallazgos sugieren que las técnicas de regresión de ML, combinadas con enfoques de selección de variables apropiados, superaron a las técnicas de DL en la estimación de la AGB de Konjac. Este estudio no solo proporciona nuevas perspectivas sobre la estimación de AGB en Konjac, sino que también ofrece una valiosa guía para estimar AGB en otros cultivos, avanzando así en la aplicación de la tecnología UAV en la estimación de biomasa de cultivos.